Googleは年次開発者会議「Google I/O 2026」において、同社の人工知能技術における新しい段階を示すモデルを発表した。今回の発表の中心となったのは、入出力の壁を取り払うことを目指したGemini Omniと、高速な推論性能によってエージェントの構築を支援するGemini 3.5 Flashだ。これらのモデルは、従来の単一タスクに特化したAIの枠組みを超え、より複雑な現実世界の処理に対応することを目指して開発された。
Googleはこれまでにも、画像生成に特化したNano Bananaや、動画生成を担うVeo 3.1などのモデルを提供してきた。今回のGemini Omniは、これら個別の生成ツールを単一の基盤モデルに統合する試みである。また、Gemini 3.5 Flashは開発者や企業が実用的なエージェントを構築するための高速かつ低コストな頭脳としての役割を担う。
発表されたこれらの新技術は、コンシューマー向けアプリケーションやエンタープライズ向けシステム構築など、幅広い領域に影響を与えることが予想される。特に、マルチモーダルな処理能力の向上と、動作の高速化は、ユーザー体験を大きく変化させる要因となる。
Gemini Omniがもたらす「何でも入力・何でも生成」の仕組み
Gemini Omniは、Googleが「any-to-any」と表現する、あらゆる形式の入力を別のあらゆる形式の出力に変換できるネイティブなマルチモーダルモデルである。ユーザーはテキスト、画像、音声、動画を自由に組み合わせた入力を与えることができ、モデルはそれらを同時に解釈して高品質な動画を生成する。この処理は、テキストから画像、画像を動画へといった段階的なパイプライン処理ではなく、単一のモデルが一度の順伝播処理で実行する。
この統合的なアプローチは、異なる処理モデルの間で生じるデータの劣化や、不要なノイズの混入を防ぐ効果を持つ。OpenAIがかつてGPT-4oで示したネイティブマルチモーダルの方向性を、動画生成の領域にまで拡張した形となる。現段階で提供が開始されたGemini Omni Flashは、出力形式として動画生成からサポートを開始しており、今後は画像や音声の直接出力にも対応していく予定である。
技術的な観点から見れば、このように一つのニューラルネットワーク内で複数のモダリティ（感覚器官に相当するデータの形式）を統一的に処理することは、モデルの推論の整合性を保つ上で非常に有効である。各要素がばらばらに処理されるのではなく、テキストの意味、画像の配置、音声のタイミングが密接に関連し合いながら出力に反映されるため、最終的に得られる生成物のクオリティが大きく向上する。
会話型編集と物理法則の直感的な理解
Gemini Omniの機能で注目されるのは、自然言語を用いた対話形式による動画の継続的な編集機能である。生成された動画に対して、ユーザーが「キャラクターを追加する」「背景を別の場所に変更する」といった追加指示を重ねることで、前後の文脈やキャラクターの一貫性を維持したまま動画が変化する。これにより、一から動画を作り直すことなく、細部を段階的に調整していく作業が可能となる。
さらに、このモデルは現実世界の物理挙動を学習に取り入れている。重力や流体力学、運動エネルギーの伝わり方を理解することで、生成された映像内の物体の動きがより自然に見えるよう設計されている。例えば、転がる球体が壁に跳ね返る際の軌道や、その瞬間に同期して発生する音響効果が、不自然なズレなく描写される。
この物理挙動の正確さは、従来の動画生成モデルが抱えていた「不自然な歪みや変形」を大幅に減らすことに寄与している。人間が違和感を覚えるようなグラフィックスの崩れ、いわゆる不気味の谷現象を乗り越えるための重要な一歩となる。デモとして示された折り紙やクレイアニメーションによる科学解説動画などは、実写と見紛うほどの質感と安定したオブジェクトの動きを実現している。
企業利用に向けたロードマップとガバナンス
Gemini Omni Flashは、Google AI Plus、Pro、Ultraのサブスクリプション契約者向けに、Webブラウザ版のGemini、動画編集ツールのGoogle Flow、およびYouTube Shortsで利用可能となった。開発者やエンタープライズ向けのVertex AI APIを介した提供は、数週間以内に行われる予定である。企業での本格的な導入は、セキュリティやデータ保護が適用されるAPIの提供開始を待つ必要がある。
Googleは、生成AIの悪用を防ぐためのガバナンス機能も強化している。Gemini Omniで生成されたすべての動画には、人間の目には見えない電子透かし技術であるSynthIDが埋め込まれる。また、画像の由来を示すC2PA Content Credentials規格への対応や、他社製のモデルを含むAI生成コンテンツを検出するAI Content Detection APIの提供も予定されている。これらの機能は、企業が生成AIを利用する際の法的リスクの回避や、ブランドの安全性を担保するための仕組みである。
さらに、ユーザー自身の動画や音声データを元に作成する「Personal Avatars」機能も紹介された。これは本人の同意と権限管理のプロセスを経て、本人の分身となるアバターを生成し、動画内で発言させることができる技術である。これにより、社内研修やエグゼクティブのビデオメッセージなどを、本人が実際に収録することなく作成可能になるが、悪用のリスクを最小限に抑えるための厳格な契約管理が必要となる。
技術導入におけるリスクと競合状況
Gemini Omniの導入にあたっては、いくつかの課題や競合の存在も指摘されている。市場には、企業向けのAI動画生成で先行するSynthesiaや、ByteDanceが開発するSeedance、Kuaishou TechnologyのKling AIなど、多くの競合が存在する。生成される動画の品質や機能は数ヶ月単位で進化しており、特定のベンダーのモデルに依存することにはリスクが伴う。
また、初期の検証を行った専門家からは、Googleのコンテンツ安全基準による制限が非常に厳格であるとの報告もなされている。Red Dragon AIのCEOであるSam Witteveenは、制限の厳しさが実用的なビジネス用途を妨げる可能性があると指摘している。さらに、動画生成モデルの学習データに関する法的解釈は各国で未だ確定しておらず、著作権などのトラブルを避けるための契約面での注意も必要である。
したがって、企業における技術の導入にあたっては、まずは一部の部署で試験的に運用を開始しつつ、数ヶ月をかけてAPIの仕様やセキュリティ規約を検証するプロセスが推奨される。特に、SynthIDなどのデジタルウォーターマークの検出や、C2PAによる出所のトラッキングを社内の配信パイプラインに組み込む準備を進めることが重要である。
